Pesquisa Ônibus

Uma empresa de ônibus da cidade vem sofrendo uma cerrada concorrência com sua rival, pois nesta cidade não há exclusividade de rotas. Para melhorar seu atendimento e conquistar mais clientes, os gestores decidiram contratar uma empresa para uma grande pesquisa de opinião com seus clientes, descobrindo o perfil, pontos positivos e negativos da empresa, e assim identificar futuras melhorias. Um questionário foi elaborado, foram selecionados por sorteio 5000 clientes que usaram os ônibus da empresa nos últimos seis meses e os dados foram compilados na planilha “pesquisa_onibus”.

Sem dinheiro extra para contratar um analista de dados, a empresa resolveu contratar você como “consultor júnior freelance” para apresentar os resultados aos gestores. Verifique erros de digitação, inconsistências nos dados, pontos faltantes, discrepantes e redija um relatório incluindo tabelas, gráficos e resultados obtidos para apresentar ao final da ‘reunião’ que você foi chamado.

Pré análise dos dados

Antes de iniciar a análise, prossegue-se com a importação dos dados no R:

# Carrega a base de dados:
library(readxl)
dados <- read_xlsx("4. pesquisa_onibus.xlsx")

1. Quantos dados perdidos há em cada variável? O percentual de dados perdidos em relação ao total é aceitável?

library(tidyverse) # Suite de pacotes para manipulação, análise e visualização de dados
library(kableExtra) # Trabalha com tabelas HTML

# Utiliza o map para verificar quantos registros NA's existem em cada variável. Depois gera tabela para apresentar os valores:
dados %>%
  map_df(function(x) sum(is.na(x))) %>%
  gather(Coluna, Ausentes) %>% 
  mutate(Percentual = paste0(formatC(Ausentes/nrow(dados)*100, format = "f", digits = 2), "%")) %>% 
  kable(align = "c") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))

Coluna	Ausentes	Percentual
Sexo	7	0.14%
Frequencia	9	0.18%
Conforto	7	0.14%
Rota	4	0.08%
Tipo	6	0.12%
Pontualidade	9	0.18%
Renda	4	0.08%
Duracao	7	0.14%
Idade	6	0.12%
Volumes	9	0.18%

Observa-se que em todas as variáveis disponíveis no banco de dados, existem valores ausentes, porém em nenhuma das variáveis apresentadas, os valores ausentes chegam a representar 1% da massa de dados, logo pode-se afirmar que o percentual de dados ausentes é aceitável, portanto iremos retirar tais registros da análise.

2. Quantos e quais são os erros de registro nas variáveis? O que vocês acham que precisa ser feito para diminuir tais erros nas próximas pesquisas?

• Variável “Sexo”:

dados %>% 
  group_by(Sexo) %>%
  summarise(Quantidade=n()) %>% 
  kable(align = "c") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))

Sexo	Quantidade
Criança	1
Fe	4
Fem	5
Femi	5
Femin	3
Feminino	2264
Ma	9
Mas	4
Masc	9
Mascu	4
Masculino	2685
NA	7

Observa-se alguns erros na grafia do Sexo. Para isso, utilizaremos uma função que irá corrigir cada registro errado. Para o registro com Sexo = Criança, iremos excluí-lo da análise.

dados <- dados %>% 
  mutate(Sexo = recode(Sexo, "Fe" = "Feminino", 
                       "Fem" = "Feminino", 
                       "Femi" = "Feminino", 
                       "Femin" = "Feminino",
                       "Ma" = "Masculino", 
                       "Mas" = "Masculino", 
                       "Masc" = "Masculino", 
                       "Mascu" = "Masculino"))
dados %>% 
  group_by(Sexo) %>%
  summarise(Quantidade=n()) %>% 
  kable(align = "c") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))

Sexo	Quantidade
Criança	1
Feminino	2281
Masculino	2711
NA	7

Observa-se, que todas as inconsistências de grafia foram corrigidas, apenas os registros nulo e “criança” serão excluídos.

• Variável “Frequencia”:

dados %>% 
  group_by(Frequencia) %>%
  summarise(Quantidade=n()) %>% 
  kable(align = "c") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))

Frequencia	Quantidade
Diário	1
Ev	1
Even	3
Eventual	495
Me	5
Men	3
Mens	1
Mensa	4
Mensal	1747
Se	5
Sem	3
Sema	7
Seman	5
Semanal	2711
NA	9

Observa-se alguns erros na grafia da variável Para isso, utilizaremos uma função que irá corrigir cada registro errado.

dados <- dados %>% 
  mutate(Frequencia = recode(Frequencia, "Ev" = "Eventual", 
                             "Even" = "Eventual", 
                             "Me" = "Mensal", 
                             "Men" = "Mensal",
                             "Mens" = "Mensal", 
                             "Mensa" = "Mensal", 
                             "Se" = "Semanal", 
                             "Sem" = "Semanal", 
                             "Sema" = "Semanal",
                             "Seman" = "Semanal"))
dados %>% 
  group_by(Frequencia) %>%
  summarise(Quantidade=n()) %>% 
  kable(align = "c") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))

Frequencia	Quantidade
Diário	1
Eventual	499
Mensal	1760
Semanal	2731
NA	9

Observa-se, que todas as inconsistências de grafia foram corrigidas, apenas os registros nulo e “Diário” serão excluídos.

• Variável “Conforto”:

dados %>% 
  group_by(Conforto) %>%
  summarise(Quantidade=n()) %>% 
  kable(align = "c") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))

Conforto	Quantidade
Ac	3
Ace	2
Acei	4
Aceit	2
Aceitável	974
Bom	1
Excelente	234
Ir	4
Irr	5
Irre	5
Irreg	2
Irregular	2271
Pé	3
Pés	4
Péss	7
Péssi	3
Péssimo	1469
NA	7

Observa-se alguns erros na grafia da variável Para isso, utilizaremos uma função que irá corrigir cada registro errado.

dados <- dados %>% 
  mutate(Conforto = recode(Conforto, "Ac" = "Aceitável", 
                           "Ace" = "Aceitável", 
                           "Acei" = "Aceitável", 
                           "Aceit" = "Aceitável",
                           "Ir" = "Irregular", 
                           "Irr" = "Irregular", 
                           "Irre" = "Irregular", 
                           "Irreg" = "Irregular", 
                           "Pé" = "Péssimo",
                           "Pés" = "Péssimo", 
                           "Péss" = "Péssimo", 
                           "Péssi" = "Péssimo"))
dados %>% 
  group_by(Conforto) %>%
  summarise(Quantidade=n()) %>% 
  kable(align = "c") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))

Conforto	Quantidade
Aceitável	985
Bom	1
Excelente	234
Irregular	2287
Péssimo	1486
NA	7

Observa-se, que todas as inconsistências de grafia foram corrigidas, apenas os registros nulo e “Bom” serão excluídos.

• Variável “Rota”:

dados %>% 
  group_by(Rota) %>%
  summarise(Quantidade=n()) %>% 
  kable(align = "c") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))

Rota	Quantidade
Car	1
Cara	6
Caram	1
Carambola	1242
Go	2
Goi	2
Goia	5
Goian	2
Goianésia	1256
Ji	3
Jil	4
Jilo	2
Jiloz	2
Jilozinho	975
Madureira	1
Pa	5
Par	4
Para	1
Paranaval	1482
NA	4

Observa-se alguns erros na grafia da variável Para isso, utilizaremos uma função que irá corrigir cada registro errado.

dados <- dados %>% 
  mutate(Rota = recode(Rota, "Car"="Carambola", 
                       "Cara"="Carambola", 
                       "Caram"="Carambola", 
                       "Go"="Goianésia", 
                       "Goi"="Goianésia", 
                       "Goia"="Goianésia", 
                       "Goian"="Goianésia", 
                       "Ji"="Jilozinho", 
                       "Jil"="Jilozinho", 
                       "Jilo"="Jilozinho", 
                       "Jiloz"="Jilozinho", 
                       "Pa"="Paranaval", 
                       "Par"="Paranaval", 
                       "Para"="Paranaval"))
dados %>% 
  group_by(Rota) %>%
  summarise(Quantidade=n()) %>% 
  kable(align = "c") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))

Rota	Quantidade
Carambola	1250
Goianésia	1267
Jilozinho	986
Madureira	1
Paranaval	1492
NA	4

Observa-se, que todas as inconsistências de grafia foram corrigidas, apenas os registros nulo e “Madureira” serão excluídos.

• Variável “Tipo”:

dados %>% 
  group_by(Tipo) %>%
  summarise(Quantidade=n()) %>% 
  kable(align = "c") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))

Tipo	Quantidade
Di	5
Dir	4
Dire	1
Diret	1
Direto	1754
Excursão	1
Le	3
Lei	2
Leito	989
Pa	6
Par	8
Para	3
Parad	8
Parador	1721
Sem	2
Semi-	2
Semi-direto	484
NA	6

Observa-se alguns erros na grafia da variável Para isso, utilizaremos uma função que irá corrigir cada registro errado.

dados <- dados %>% 
  mutate(Tipo = recode(Tipo, "Di"="Direto", 
                       "Dir"="Direto", 
                       "Dire"="Direto", 
                       "Diret"="Direto", 
                       "Le"="Leito", 
                       "Lei"="Leito", 
                       "Pa"="Parador", 
                       "Par"="Parador", 
                       "Para"="Parador", 
                       "Parad" = "Parador", 
                       "Sem"="Semi-direto", 
                       "Semi-"="Semi-direto"))
dados %>% 
  group_by(Tipo) %>%
  summarise(Quantidade=n()) %>% 
  kable(align = "c") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))

Tipo	Quantidade
Direto	1765
Excursão	1
Leito	994
Parador	1746
Semi-direto	488
NA	6

Observa-se, que todas as inconsistências de grafia foram corrigidas, apenas os registros nulo e “Excursão” serão excluídos.

• Variável “Pontualidade”:

dados %>% 
  group_by(Pontualidade) %>%
  summarise(Quantidade=n()) %>% 
  kable(align = "c") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))

Pontualidade	Quantidade
Ac	1
Ace	4
Aceitável	787
Ex	2
Exce	1
Excelente	219
Ir	1
Irr	8
Irre	10
Irreg	4
Irregular	2126
Pé	4
Péss	2
Péssi	5
Péssima	1816
Ruim	1
NA	9

Observa-se alguns erros na grafia da variável Para isso, utilizaremos uma função que irá corrigir cada registro errado.

dados <- dados %>% 
  mutate(Pontualidade = recode(Pontualidade, "Ac"="Aceitável", 
                               "Ace"="Aceitável", 
                               "Ex"="Excelente", 
                               "Exce"="Excelente", 
                               "Ir"="Irregular", 
                               "Irr"="Irregular", 
                               "Irre"="Irregular", 
                               "Irreg"="Irregular", 
                               "Pé"="Péssima", 
                               "Péss"="Péssima", 
                               "Péssi"="Péssima"))
dados %>% 
  group_by(Pontualidade) %>%
  summarise(Quantidade=n()) %>% 
  kable(align = "c") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))

Pontualidade	Quantidade
Aceitável	792
Excelente	222
Irregular	2149
Péssima	1827
Ruim	1
NA	9

Observa-se, que todas as inconsistências de grafia foram corrigidas, apenas os registros nulo e “Ruim” serão excluídos.

• Variáveis “Renda”, “Duração”, “Idade” e “Volumes”:

dados %>% 
  select(Renda, Duracao, Idade, Volumes) %>% 
  summary()

##      Renda          Duracao           Idade         Volumes      
##  Min.   :-5.77   Min.   :  1.10   Min.   : 3.2   Min.   : 0.000  
##  1st Qu.: 4.75   1st Qu.: 12.00   1st Qu.:28.0   1st Qu.: 1.000  
##  Median : 5.71   Median : 22.00   Median :35.0   Median : 1.000  
##  Mean   : 6.57   Mean   : 24.67   Mean   :35.2   Mean   : 1.795  
##  3rd Qu.: 7.12   3rd Qu.: 33.00   3rd Qu.:42.0   3rd Qu.: 3.000  
##  Max.   :53.64   Max.   :174.00   Max.   :85.0   Max.   :42.000  
##  NA's   :4       NA's   :7        NA's   :6      NA's   :9

Observa-se que a variável renda possui um valor negativo. Na variável duração um valor com casas decimais, em Idade valor inferior a 18 e Volume com valor discrepante igual a 42.

Verificamos vários problemas nos registros de cada variável, a sugestão para que as próximas informações venham sem estes erros, é implementar formulários de pesquisa padrão, limitando o usuário a selecionar as opções disponíveis em tela. Isso minimizaria consideravelmente os erros encontrados.

3. Alguns dados incorretos (fora do padrão) foram colocados na tabela. Quais foram identificados?

Foram apresentados no item acima.

4. Retirando todas as linhas com dados perdidos e dados incorretos, quantos registos teremos para prosseguir com a análise?

Os erros de grafia já foram corrigidos nos passos acima. Resta fazer agora apenas os filtros dos valores discrepantes que foram encontrados. No código abaixo fazemos estes filtros e removemos os registros nulos.

df_aj <- dados %>% 
  filter(Renda>0, 
         Duracao>1.1, 
         Idade>3.2, 
         Volumes<42, 
         Volumes != 7.5, 
         Sexo != "Criança", 
         Frequencia != "Diário", 
         Conforto != "Bom", 
         Rota != "Madureira", 
         Tipo != "Excursão", 
         Pontualidade != "Ruim") %>% 
  na.omit


x <- data.frame(registros = c(nrow(df_aj), nrow(dados)), base = c("Final", "Inicial"))

library(plotly) # Pacote para confecção dos gráficos:

p <- plot_ly(x, x=~base, y=~registros, type = "bar") %>% 
  layout(title = 'Quantidade de registros por tipo de base')
p

Após a limpeza realizada na base, ficamos com 4.921 registros.

Faça um resumo relatando o perfil do cliente da empresa de ônibus:

1. Existe preponderância de algum dos sexos entre os clientes da empresa de ônibus?

Para isso, vamos gerar uma gráfico de setores, com a distribuição de mulheres e homens:

# Prepara a base para o gráfico
graf <- df_aj %>% 
  group_by(Sexo) %>% 
  summarise(Freq = n()) 

# Gera o gráfico
p <- plot_ly(graf, labels = ~Sexo, values = ~Freq, type = 'pie') %>% 
    layout(title = 'Distribuição da variável Sexo')
p

Podemos verificar que, dentre o volume de dados analisados, 54,4% (2.676) dos indivíduos são do Sexo Masculino, enquanto os 45,6% (2.245) restantes são Mulheres. Portanto, apesar de não haver diferença tão expressiva, a quantidade de clientes homens da empresa é superior à quantidade de mulheres.

2. Os clientes da empresa são predominantemente habituais, ou usam o serviço esporadicamente apenas?

Vamos começar fazendo um gráfico de colunas com a distribuição da variável “Frequência”:

# Prepara a base para o gráfico
graf <- df_aj %>% 
  group_by(Frequencia) %>% 
  summarise(Freq = n()) %>% 
  mutate(R_Freq = Freq/sum(Freq)) %>% 
  ungroup() %>% 
  mutate(Perc = paste0(formatC(R_Freq*100, digits = 2, format = "f"), "%"))

# Gera o gráfico
p <- plot_ly(graf, x = ~Frequencia, y = ~Freq, type = 'bar', text = ~Perc) %>% 
    layout(title = 'Distribuição da variável Frequência')
p

Verificamos que a grande maioria dos clientes (54,74%) possuem o hábito de viajarem semanalmente, 35,26% viajam mansalmente e apenas 10% viajam esporadicamente.

Mas apenas uma análise crua da variável, não traz informações suficientes para tomada de decisões. E se verificarmos a frequência de viagens por sexo?

# Prepara base para o gráfico
graf <- df_aj %>% 
  group_by(Frequencia, Sexo) %>% 
  summarise(Freq = n()) %>% 
  spread(key = Sexo, value = Freq) %>% 
  ungroup() %>% 
  mutate(r_fem = paste0(formatC(Feminino/sum(Feminino)*100, digits = 2, format = "f"), "%"),
         r_masc = paste0(formatC(Masculino/sum(Masculino)*100, digits = 2, format = "f"), "%"))

# Gera o gráfico
p <- plot_ly(graf, x = ~Frequencia, y = ~Masculino, type = 'bar', name = "Masculino", text = ~r_masc) %>% 
  add_trace(y = ~Feminino, name = "Feminino", text = ~r_fem) %>% 
  layout(title = 'Distribuição da variável Frequência por Sexo', yaxis = list(title = ""))
p

Quando verificamos o hábito de viagem por Sexo, podemos perceber que as mulheres possuem o hábito de realizar viagens com maior frequência, sendo que 69,09% das mulheres viajam semanalmente, enquanto 42,71% dos homens possuem o mesmo hábito.

O cenário inverte quando se analisa as viagem mensais, enquanto 42,86% dos homens viajam mensalmente apenas 26,19% das mulheres possuem este hábito.

Cenário semelhante também para as pessoas que viajam esporadicamente. Dentre os homens, 14,42% possuem este perfil e dentre as mulheres 4,72%.

3. A empresa comprou novos ônibus há um ano, cuida religiosamente de sua manutenção, e por isso crê que os clientes os acham confortáveis. Os dados confirmam isso?

Primeiramente, vamos criar um gráfico com a distribuição da variável “Conforto”

# Cria vetores para ordenação dos dados
ordem_conforto <- c("Péssimo", "Irregular", "Aceitável", "Excelente")
ordem_frequencia <- c("Semanal", "Mensal", "Eventual")

# Prepara a base para o gráfico
graf <- df_aj %>% 
  group_by(Conforto) %>% 
  summarise(Freq = n()) %>% 
  mutate(R_Freq = Freq/sum(Freq)) %>% 
  ungroup() %>% 
  mutate(Perc = paste0(formatC(R_Freq*100, digits = 2, format = "f"), "%"),
         Conforto = factor(Conforto, levels = ordem_conforto)) %>% 
  arrange(Conforto) # ordena

# Cria paleta de cores:
pal <- c("#d68080", "#d6c080", "#c0d680", "#80d680")

# Gera o gráfico
p <- plot_ly(graf, x = ~Conforto, y = ~Freq, type = 'bar', text = ~Perc, color = ~Conforto, colors = pal) %>% 
    layout(title = 'Distribuição da variável Conforto')
p

Podemos verificar que a grande maioria dos usuários (45,93%), classificaram o conforto dos ônibus como Irregular. 29,69% classificaram como Péssimo, 19,69% como Aceitável e apenas 4,69% como Excelente.

Essa informação contraria a suspeita da empresa de que, em geral, os usuários achariam que os ônibus são confortáveis.

Se cruzarmos a informação de Conforto dos usuários com Frequência de viagens e Sexo, podemos ter outros insights (vide gráfico a seguir), como por exemplo:

• Clientes com hábito de viagens mais constante, tende a achar o conforto dos ônibus pior;
• Clientes do sexo feminino possuem uma relação de notas “ruins” maior que homens, independente da frequência;
• Homens que viajam eventualmente, geralmente acham o conforto Aceitável ou Excelente;

# Ajusta a base de dados:
graf <- df_aj %>% 
  group_by(Conforto, Frequencia, Sexo) %>% 
  summarise(Freq = n()) %>% 
  ungroup() %>% 
  mutate(Conforto = factor(Conforto, levels = ordem_conforto),
         Frequencia = factor(Frequencia, levels = ordem_frequencia)) %>% 
  arrange(Conforto, Frequencia)

# Gera o gráfico
p1 <- graf %>% 
  filter(Sexo == "Feminino") %>% 
  plot_ly(x = ~Frequencia, y = ~Freq, color = ~Conforto, type = 'bar', legendgroup = ~Conforto, showlegend = F, colors = pal) %>% 
  layout(xaxis = list(title = "Feminino"))
  
p2 <- graf %>% 
  filter(Sexo == "Masculino") %>% 
  plot_ly(x = ~Frequencia, y = ~Freq, color = ~Conforto, type = 'bar', legendgroup = ~Conforto, colors = pal) %>% 
  layout(xaxis = list(title = "Masculino"))

p <- subplot(p1,p2,shareY = T, titleX = T, shareX = T, margin = 0.05)
p

4. Qual é o destino mais procurado pelos clientes?

Vamos montar uma simples tabela de frequência para responder essa pergunta. Podemos verificar que o volume de viagens para as quatro rotas apresentadas é bem parecido. Destaca-se Paranaval, que possui quase 30% das viagens e Jilozinho, que possui 19,69% das viagens.

# Ajusta a base de dados:
df_aj %>% 
  group_by(Rota) %>% 
  summarise(Quantidade = n()) %>% 
  ungroup() %>% 
  mutate(Percentual = paste0(formatC(Quantidade/sum(Quantidade)*100, digits = 2, format = "f"), "%")) %>% 
  ungroup() %>% 
  kable(align = "c") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))

Rota	Quantidade	Percentual
Carambola	1227	24.93%
Goianésia	1255	25.50%
Jilozinho	969	19.69%
Paranaval	1470	29.87%

5. Os ônibus novos mencionados na questão anterior são “executivos”, o que permitiria o seu uso em serviços diretos. Mas, alguns diretores da empresa alegam que isso não é apropriado, pois “a maioria dos clientes” prefere linhas paradoras. Os dados corroboram esta última afirmação?

Vamos novamente criar uma tabela com a distribuição da variável Tipo. Podemos perceber que os dois tipos de ônibus mencionados (direto e parador), possuem quantidade de viagens semelhante. Ambas representam cerca de 70% das viagens, portanto podemos apresentar outras visões que auxiliam a empresa na hora de tomar a decisão.

# Ajusta a base de dados:
df_aj %>% 
  group_by(Tipo) %>% 
  summarise(Quantidade = n()) %>% 
  ungroup() %>% 
  mutate(Percentual = paste0(formatC(Quantidade/sum(Quantidade)*100, digits = 2, format = "f"), "%")) %>% 
  ungroup() %>% 
  arrange(desc(Quantidade)) %>% 
  kable(align = "c") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))

Tipo	Quantidade	Percentual
Direto	1745	35.46%
Parador	1717	34.89%
Leito	982	19.96%
Semi-direto	477	9.69%

graf <- df_aj %>% 
  group_by(Sexo, Frequencia, Conforto, Rota) %>% 
  summarise(value = n()) %>% 
  ungroup()

graf <- rbind(graf %>%
              select(Sexo,Frequencia, value) %>%
              rename(source = Sexo, target = Frequencia),
              graf %>%
              select(Frequencia, Conforto, value) %>%
              rename(source = Frequencia, target = Conforto),
              graf %>%
              select(Conforto, Rota, value) %>%
              rename(source = Conforto, target = Rota)
            )

graf <- graf %>% 
  group_by(source, target) %>% 
  summarise(value = sum(value))

node_names <- factor(sort(unique(as.character(unname(unlist(graf[1:2]))))))
nodes <- data.frame(name = node_names)

links <- data.frame(source = match(graf$source, node_names) - 1, 
                    target = match(graf$target, node_names) - 1,
                    value = graf$value)
links <- links[!is.na(links$source), ]


library(plotly)

p <- plot_ly(
  type = "sankey",
  orientation = "h",
  
  node = list(
    label = node_names,
    color = rep("blue", length(node_names)),
    pad = 15,
    thickness = 20,
    line = list(
      color = "black",
      width = 0.5
    )
  ),
  
  link = list(
    source = links$source,
    target = links$target,
    value =  links$value
  )
) %>% 
  layout(
    title = "Basic Sankey Diagram",
    font = list(
      size = 10
    )
  )
p

6. A empresa orgulha-se de sua reputação de pontualidade. Os clientes concordam?

7. A empresa, por conta dos investimentos mencionados, pretende ficar apenas com clientes com renda acima de 5 salários mínimos. Os clientes da empresa atendem este requisito?

8. Alguns clientes, no passado, reclamaram muito da duração das viagens. Os dados permitem concluir que a maioria das viagens leva mais de um dia?

9. Vocês caracterizariam os clientes da empresa como jovens?

10. Os motoristas vivem reclamando que os passageiros parecem “levar a casa junto com eles” quando viajam, pois levam muitos volumes nos bagageiros dos ônibus. Os dados dão razão aos motoristas?